Project-Based Learning – Big Data 2024

by · October 31, 2024

Project-Based Learning – Mata Kuliah: Big Data A dan B Th. 2024

Dosen Pengampu:

  • DR. Rahmad Kurniawan, ST., MIT.
  • Rahmat Hidayat, M.Kom

Tujuan

Project-Based Learning (PBL) diterapkan sebagai bagian dari tugas dan evaluasi pada mata kuliah Big Data untuk Semester VII, Kelas A dan B tahun 2024. Metode PBL bertujuan untuk:

  1. Mendorong mahasiswa untuk terlibat aktif dalam eksplorasi tantangan dan masalah nyata.
  2. Meningkatkan pemahaman mahasiswa terhadap materi Big Data dengan penerapan praktis.
  3. Memenuhi Indikator Kinerja Utama (IKU) Perguruan Tinggi, khususnya IKU ke-7: Evaluasi Berbasis Proyek Kelompok.

Output (Luaran) yang Diharapkan

  1. Individu: Laporan Penyelesaian Kegiatan Mingguan.
    • Deadline: Setiap Minggu, H-1 sebelum perkuliahan.
    • Template laporan mingguan dapat diunduh di sini.
    • Submit laporan individu untuk tiap minggunya di tautan berikut:
      • Minggu 1: submit di sini.
      • Minggu 2: submit di sini.
      • Minggu 3: submit di sini.
  2. Kelompok: Paper dan Presentasi (PPT)
    • Paper: Tulis dalam format IEEE, dengan deadline pada 28 November 2024. Template dapat diunduh di sini.
    • PPT: Gunakan format IEEE. Template dapat diunduh di sini.
    • Paper kelompok submit di sini.
    • Video presentasi kelompok diunggah di YouTube, dan URL-nya disubmit di sini.

Waktu Pelaksanaan

  • Periode Proyek: 22 Oktober – 19 November 2024

Rubrik Penilaian

No. Luaran Kriteria Penilaian Nilai Maksimal
1 Laporan Individu – Kelengkapan isian borang kegiatan
– Ketepatan waktu pengumpulan
– Ketepatan bukti yang dilampirkan
– Usaha		 30
2 Paper – Keaslian (maks. 30% plagiarisme via Turnitin)
– Sistematika dan kelengkapan bagian
– Kejelasan penulisan
– Ketepatan waktu pengumpulan
– Usaha		 50
3 Presentasi – Sistematika Presentasi
– Susunan kalimat dan bahasa
– Intonasi dan artikulasi
– Penggunaan media
– Pemahaman dan kemampuan menjelaskan materi
– Ketepatan waktu		 20
Total 100

Media dan Alat PBL

  1. Turnitin untuk cek plagiarisme.
  2. Website Dosen untuk sumber materi tambahan.
  3. Media Online lainnya yang mendukung.

Panduan dan Proses PBL

  1. Pembagian Kelompok: Mahasiswa dibagi menjadi 6 kelompok.
  2. Penetapan Topik: Setiap kelompok boleh memilih topik berbasis Big Data yang relevan dengan masalah atau kebutuhan nyata.
  3. Mentoring dan Review Mingguan: Dosen akan memonitor dan memberikan umpan balik jika diperlukan melalui laporan mingguan.
  4. Penyusunan Paper dan Presentasi: Setiap kelompok wajib menulis paper sesuai format IEEE dan menyiapkan presentasi yang diunggah di YouTube.
  5. Finalisasi dan Pengumpulan: Semua dokumen dikumpulkan melalui link yang telah disediakan di atas.

Ketentuan Topik dan Basis Data

  1. Topik: Topik proyek boleh bebas, selama berhubungan dengan Big Data dan memiliki relevansi praktis.
  2. Basis Data: Untuk menyelesaikan proyek ini, kelompok harus menggunakan basis data NoSQL, seperti:
    • MongoDB
    • Cassandra
    • Neo4J
    • Atau basis data NoSQL lainnya yang sesuai dengan kebutuhan proyek.
  3. Ukuran Data: Jika data sekunder, maka gunakan data besar (bervolume tinggi), sehingga dapat mencerminkan karakteristik data besar (Big Data), kecuali jika anda membuat data sendiri maka dibolehkan min 300 baris data.

Pertanyaan dan Bantuan

Jika terdapat kendala dalam pelaksanaan PBL ini, mahasiswa dapat:

  1. Mengirimkan pertanyaan melalui grup kelas.
  2. Konsultasi secara langsung (perlu dijadwalkan)
  3. Membaca FAQ di bagian akhir panduan ini untuk menemukan jawaban atas pertanyaan umum.

FAQ

  1. Apakah mahasiswa diperbolehkan memilih topik sendiri?
    • Ya, selama topik tersebut sesuai dengan tema Big Data dan memiliki manfaat praktis.
  2. Apakah ada batasan plagiarisme untuk laporan individu?
    • Ya, toleransi plagiarisme adalah maksimal 30% yang diperiksa melalui Turnitin.
  3. Bagaimana jika ada anggota kelompok yang tidak berkontribusi?
    • Silakan laporkan masalah tersebut pada dosen untuk evaluasi lebih lanjut dan tuliskan di form ketika submit luaran.

Panduan ini diharapkan dapat membantu kelancaran pelaksanaan Project-Based Learning di kelas Big Data dan memberi mahasiswa panduan yang jelas untuk setiap tahap. Selamat belajar, dan semoga sukses!

Hasil PBL dapat dilihat di sini!

Penilaian dan Catatan

Kelompok Anggota Kelompok Judul PBL Plagiarism (%) Paper Presentasi Note Saran
I SRI NURHIDAYATI, VIVIANIKA NATHANIA HARSAN, IKHWAN ALBAR, NATANIA ADELA SURYA ANGGRAENI, FARREL FAIZ FADHILAH NST, TYA FANNIE PUTRI Analisis Penjualan E-Commerce Menggunakan Big Data pada Dataset Amazon 27 89 94 Sistematika artikel baik, analisis data kuat dengan visualisasi yang jelas, topik relevan dengan kebutuhan industri 🙂 Inovasi kurang menonjol dibandingkan artikel lain dan tidak terlalu menyoroti penggunaan NoSQL sebagai inti Big Data. Presentasi: Keren ada subtitle 🙂 namun Format slide tidak sesuai template IEEE (sepertinya format slide ini tidak asing :))
II MUSDALIFAH, WINDI JULIANTI, ALIFIA PUTRI SAQINA, OSA SELVIANTI, MIMI SAHIRA, M. FAJRI RAMADHAN Implementasi Big Data dalam Analisis Sentimen Ulasan Pengguna Terhadap Aplikasi Gojek di Google Play Store Menggunakan Algoritma Logistic Regression 25 88 95 Topik relevan dengan konteks industri melibatkan IT Indonesia, implementasi TF-IDF dan Logistic Regression cukup solid 🙂 Sistematika perlu perbaikan (beberapa komponen tidak ada), visualisasi hanya tangkapan layar sehingga kurang menonjol, kejelasan penulisan butuh revisi. Presentasi: suara fajri kurang jelas
III RAISA FITRI, WAHYU, MUHAMMAD ASYRAF, RAIHAN YUDRA, RIFQI AL FITRAH, MUHAMMAD ALFHAT RAMADHAN Pemanfaatan Big Data Dalam Memprediksi Customer Churn Menggunakan K-Means Clustering dan XGBoost 16 95 95 Sistematika dan kelengkapan baik, analisis mendalam, inovasi sangat baik dalam metode kombinasi K-Means dan XGBoost, serta berani keluar dari zona Monggo DB ke DataStax Astra DB, cukup menyoroti big data 🙂 Visualisasi data tidak terlalu jelas dan hibridasi klasifikasi dengan klustering perlu justifikasi yang mendalam. Presentasi: footer di slide belum diubah
IV YUNI AFRIDA, ZULFAIDATUL MUNAWWARAH, ANINDHITA WAHYU PRAMESWARI, ALZIRA SALSABILLAH, GHINAA AURINA, M. ATHALLAH DZIKRI ALHADY Penerapan Algoritma Long Short-Term  Memory untuk Prediksi Harga Saham Bank Mandiri Berbasis Big Data 19 83 96 Penggunaan algoritma LSTM relevan dengan keilmuan komputasi sekarang 🙂 Paper sedikit dari yang lain, jumlah data tidak dijelaskan rinci, tidak menyoroti tentang pentingnya big data, implikasi hasil dunia nyata belum terlihat. Presentasi: Kreatif namun slide terlalu banyak teks
V NIA IVANKA, M. ZAKY ALHAFIZ, SITI RAHAYU, IKHWANUL FADLI, PANJI RAMADAN SAPUTRA Penerapan Big Data Pada Prediksi Pergerakan  Harga Cryptocurrency Menggunakan Long Short- Term Memory 23 85 92 Relevansi studi kasus dengan algoritma LSTM digunakan dengan baik 🙂 Sistematika perlu disempurnakan, analisis data tidak mendalam, kreativitas dalam pendekatan analisis perlu ditingkatkan dan paper ini belum menyoroti tentang penggunaan big data, bagaimana dengan data yang digunakan? Presentasi: Slide yang ditampilkan tidak full screen, masih dalam tahap penulisan, sehingga ada tampilan garis merah di bawah teks
VI NAJMI FADHILA ATSARI, IRKHAS PERDANA, DIKI SUGANDA AMIR, CINTA FITRIA, T. AFDHOL DZAKI ALGAFARI Pemanfaatan Big Data dalam Analisis Tingkat Depresi pada Komunitas Subreddit Depression Menggunakan Algoritma K-Means Clustering 15 93 95 Relevansi topik kuat, penggunaan MongoDB mendukung efisiensi, kreativitas tinggi dalam menghubungkan data media sosial dengan kesehatan mental, cukup menyoroti big data 🙂 Perlu peningkatan pada visualisasi data dan kejelasan penulisan, khususnya pada bagian teori dan metode serta perlu justifikasi penggunaan unsupervised learning bisa mengkategorikan tingkat depresi. Presentasi: suara presenter terakhir tidak terlalu jelas

You may also like...